Medienfrühstück Vol. 3

Das war unser Medienfrühstück Vol. 3 – wir starteten mit einem köstlichen Sommerfrühstück, heißem Kaffee und guter Stimmung, während Philipp Jauernig-Biener uns in die Welt des KI-Promptings * einführte.

Er zeigte uns, wie man durch gezieltes Prompting das volle Potenzial der generativen KI nutzen kann. Zudem erläuterte er nicht nur die Grundlagen, sondern gab auch tiefgehende Einblicke und wertvolle Tipps zur Formulierung und Strukturierung von KI-Befehlen, um die KI zum Mitdenken zu animieren, Stichwort „Chain of Thoughts“. **

Auch Themen wie Blacklists, die Gestaltung von KI-Prozessen in verschiedenen Abteilungen und der Umgang mit eingegebenen Daten zu Testzwecken wurden behandelt. Philipps alltägliche Anekdoten rundeten die Präsentation ab. Natürlich blieb ausreichend Zeit für Fragen. Die Teilnehmer erhielten direktes Feedback von Philipp auf ihre Anliegen, und es war großartig zu sehen, wie viele von euch aktiv mitgemacht haben. Wir bedanken uns bei Philipp und allen Teilnehmern für eine gelungene Veranstaltung mit starken Impulsen und vielen neuen Erkenntnissen am Vormittag.

Wir freuen uns auf das nächste Mal und Impulse von Susanne Trautmann! Am 17.10.2024 dreht sich alles um die Kommunikation als Partner im Innovationsmanagement mit Klarheit und Fokus in der eigenen Kommunikation. Danke für den spontanen Pitch, Susanne.

Herzlichen Dank an Juliane Keith und ihr Team vom Wirtschaftsspiegel für die tolle Kooperation und Organisation!

Fotos: Sandra Böhm (Wirtschaftsspiegel)

*

KI Prompting bezieht sich auf die Technik, wie Eingaben (Prompts) formuliert und an ein KI-Modell weitergegeben werden, um eine gewünschte Ausgabe oder Antwort zu erhalten. Diese Technik ist besonders relevant für generative KI-Modelle wie GPT-4. Das Ziel des Promptings ist es, das Modell effektiv zu steuern und hochwertige, relevante und genaue Antworten oder Inhalte zu erzeugen. Hier sind einige wesentliche Aspekte von KI Prompting:

1. Formulierung von Prompts: Ein Prompt kann eine Frage, eine Anweisung oder ein Teil eines Satzes sein, der das Modell dazu veranlasst, eine spezifische Art von Antwort zu geben. Je klarer und präziser der Prompt formuliert ist, desto besser ist in der Regel die Antwort des Modells.
2. Kontextualisierung: Gute Prompts geben dem Modell genügend Kontext, um die Aufgabe zu verstehen und angemessen zu reagieren. Dies kann durch die Bereitstellung zusätzlicher Informationen, Beispiele oder Klarstellungen erreicht werden.
3. Kreativität und Flexibilität: Beim Arbeiten mit generativen Modellen können kreative und flexible Prompts verwendet werden, um verschiedene Arten von Inhalten zu erzeugen. Zum Beispiel kann ein Prompt eine Geschichte, ein Gedicht, eine technische Erklärung oder eine Produktbeschreibung initiieren.
4. Experimentation und Iteration: Effektives Prompting erfordert oft Experimentieren und Iteration. Unterschiedliche Formulierungen und Ansätze können ausprobiert werden, um zu sehen, welche am besten funktionieren. Feedback und Anpassungen sind entscheidend, um die gewünschten Ergebnisse zu erzielen.
5. Anwendungsszenarien: KI Prompting wird in einer Vielzahl von Anwendungen eingesetzt, darunter Content-Erstellung, Kundenservice, Bildung, Unterhaltung und viele andere Bereiche. Beispielsweise kann ein Journalist einen KI-Prompt verwenden, um eine Zusammenfassung eines Artikels zu erstellen, oder ein Marketing-Team könnte Prompts nutzen, um Werbetexte zu generieren.

Ein Beispiel für KI Prompting könnte so aussehen:

• Prompt: "Erkläre die Bedeutung von Klimawandel in einfachen Worten."
• Modellantwort: "Klimawandel bezieht sich auf langfristige Veränderungen der Temperaturen und Wetterbedingungen auf der Erde. Diese Veränderungen können durch natürliche Prozesse und menschliche Aktivitäten wie das Verbrennen fossiler Brennstoffe verursacht werden."

Durch die richtige Anwendung von Prompting-Techniken können Benutzer das volle Potenzial generativer KI-Modelle ausschöpfen und eine Vielzahl von Aufgaben effizient und effektiv erledigen.

**

"Chain of Thoughts" (CoT) ist ein Konzept im Bereich der künstlichen Intelligenz und des maschinellen Lernens, insbesondere im Kontext von Sprachmodellen und generativer KI. Es bezieht sich auf eine Technik, bei der ein Modell dazu angeregt wird, seine "Gedanken" oder den Prozess, den es zur Lösung eines Problems oder zur Beantwortung einer Frage durchläuft, explizit zu artikulieren. Diese Technik zielt darauf ab, die Transparenz und Nachvollziehbarkeit der Modellentscheidungen zu verbessern. Hier sind einige Schlüsselmerkmale und Anwendungen des CoT-Prinzips:

1. Erklärbarkeit: Durch die Verwendung von CoT können KI-Modelle erklären, wie sie zu einer bestimmten Antwort oder Lösung gekommen sind. Dies kann besonders nützlich in Bereichen sein, in denen es wichtig ist zu verstehen, wie ein Modell zu seinen Schlussfolgerungen kommt, z. B. in der Medizin oder im Finanzwesen.

2. Problemlösung: CoT hilft dem Modell, komplexe Probleme schrittweise zu lösen. Anstatt eine sofortige Antwort zu geben, kann das Modell den Gedankengang hinter der Lösung eines Problems darlegen, was zu einer gründlicheren und oft genaueren Antwort führt.

3. Lernen und Anpassung: Modelle, die CoT verwenden, können aus ihrem eigenen Gedankengang lernen und sich anpassen. Wenn sie einen Fehler machen, können sie ihren Gedankengang überprüfen und daraus lernen, was ihre zukünftige Leistung verbessern kann.

4. Benutzerinteraktion: CoT ermöglicht eine verbesserte Interaktion mit Benutzern. Indem das Modell seine Gedanken teilt, können Benutzer besser verstehen, wie die KI funktioniert, und möglicherweise sogar Feedback geben, um den Gedankengang zu korrigieren oder zu verbessern.

Ein einfaches Beispiel für CoT könnte ein KI-Modell sein, das eine mathematische Aufgabe löst. Anstatt einfach die Antwort "42" zu liefern, könnte das Modell seinen Prozess erklären: "Um diese Aufgabe zu lösen, addiere ich zuerst 10 und 20, was 30 ergibt. Dann addiere ich weitere 12, was zu 42 führt." Diese detaillierte Erklärung hilft dabei, den Lösungsprozess nachzuvollziehen und gibt Einblick in die Arbeitsweise des Modells.

CoT ist ein wichtiger Schritt in Richtung vertrauenswürdiger und transparenter KI-Systeme, da es die Möglichkeit bietet, die Entscheidungsprozesse von Maschinen besser zu verstehen und zu kontrollieren.

(Dieser Beitrag kann Spuren von ChatGPT enthalten)